[发明专利]在图像中检测椭圆型目标的方法及系统

说明书

技术领域

本发明涉及一种图像处理技术，尤其是涉及一种自动对图像中椭圆型目标的检测的方法，以及使用该处理方法的系统。

背景技术

椭圆型目标检测是计算机视觉中的一个关键问题，其结果通常作为基元广泛应用于图像的匹配、识别、分析与理解中。因此椭圆检测在工业制造、生物医学等领域有着广泛的应用场景。

在解析几何中，一个椭圆可以用一系列在笛卡尔平面上的点组成，并在非退化条件下满足以下隐式方程：F(a，x)＝a·x＝ax²+bxy+cy²+dx+ey+f＝0，其中，a＝[a b c d e f]^T，x＝[x² xy y² x y 1]^T，x和y分别为椭圆上点的横坐标与纵坐标。参数a可以转化为一个更加常用的椭圆参数c＝[x₀ y₀ α β θ]^T，其中x₀和y₀分别中椭圆中心点横坐标与纵坐标，α和β分别为长半轴与短半轴长度，θ是长半轴与横坐标的夹角。

在计算机视觉中，最常用的几何形状识别算法之一是P.V.C.Hough在1962获得的美国专利US3,069,654中公开的霍夫变换(Hough Transform)。它的基本思想是将图像中可能的几何形状转换到相应的参数空间并通过一个投票过程进行累加，然后在参数空间寻找峰值，并输出相对应的参数作为最终检测结果。霍夫变换的一个基本应用是在二值化的边缘图像中寻找直线。

在一个二维平面上，直线方程可表示为：r＝xcos(ω)+ysin(ω)。

设p为直线上与原点距离最近的点，r为原点到p的距离，ω为由原点与p形成的直线与x轴之间的夹角。直线霍夫变换检测的一个基本流程如下。首先，建立一个由r和ω组成的二维参数空间累加器并清零。在每一个边缘点，对每一个可能的ω值计算r值，并在相应的累加器元素加1。最后，在累加器中寻找峰值，峰值所在位置对应的r和ω值即为图像中直线的参数。如果累加器中含有多个峰值说明图像中包含多条不同的直线。最终检测结果的精度还取决于在建立参数空间累加器时对r和ω的离散精度。

由于对应椭圆型目标的椭圆方程中共有5个自由参数，如果使用上面介绍的传统霍夫变换，即使在对参数离散化时牺牲一部分精度，仍然需要在计算机内存建立一个庞大的5维累加器，不仅计算时间长，且计算过程内存需求大和精度差都制约着传统霍夫变换对椭圆型目标检测的应用。

为了解决传统霍夫变换在对多参数的几何图形检测时所遇到的问题，X.Lei等人提出了随机霍夫变换(Randomized Hough Transform，RHT)方法并发表在“A new curve detection method：Randomized Hough Transform”，Pattern Recognition Letters，vol.11，pp.331--338，1990。随机霍夫变换的基本思想主要包含以下三个方面：

A、从图像中随机提取n个边缘点进行拟合，得出一个在参数空间的点。数值n应大于或等于参数空间维数，例如，在对椭圆进行检测时，n应大于等于5。

B、累加器用一个候选参数表P来代替。表P中的每一个元素代表参数空间中的一个点，每个元素还包含参数空间中这个点所对应的累加器得分。每获取一个新的拟合结果，对P进行更新。首先对比新拟合系数与P中元素的相似度，找出最相似的一个元素。如果它们的相似度小于一个预设的阈值，则将新拟合系数合并到P中的匹配元素，并将此元素的累加器值加1。如果在P中找不到与新拟合系数相似的元素，将新拟合系数加入到P中作为一个新的元素，并设对应的累加器值为1。

C、在候选参数表P中找出累加器值大于一个预设阈值的元素集合，这个P的子集就代表了所检测到的目标集合。

由于在A中使用了随机抽样拟合，在合理定义抽样数目的前提下，计算时间相比传统霍夫变换中对所有边缘点遍历大幅度减少。使用参数列表替代传统的累加器解决了传统霍夫变换对计算机存储空间要求大的问题。同时，检测结果的精度可以由新拟合系数与P中元素相似度的阈值来控制。